Una base de conocimientos para asistir el aprendizaje … base de conocimientos para... ·...

Una base de conocimientos para asistir el aprendizaje

de la programación

Juan P. Ucán, Antonio A. Aguileta, Raúl A. Aguilar

Universidad Autónoma de Yucatán, Facultad de Matemáticas,

México

{juan.ucan, aaguilet, avera}@correo.uady.mx

Resumen. Con el propósito de ampliar la investigación en el ámbito del

aprendizaje de la programación, se ha realizado un trabajo de investigación que

involucra, como estrategia de análisis de nuevas opciones instruccionales, el

desarrollo de un Entorno Virtual Colaborativo Inteligente (EVCI). En este

artículo se presenta la arquitectura del EVCI, en particular, se describe la Base

de Conocimientos del Sistema Experto, la cual es integrada a manera de

componente al EVC. Las principales funcionalidades del Sistema Experto, y por

tanto prestaciones del EVCI son también descritas en el artículo.

Palabras clave: EVC, EVCI, sistema experto.

A Knowledge Base to Assist the Learning

of the Programming

Abstract. In order to expand research about the learning of the programming, it

has done a research that involved as strategy of analysis about new instructional

options, development of an Intelligent Collaborative Virtual Environment

(EVCI). In this paper we describe an EVCI architecture, particularly the

Knowledge Base of Expert System, which is integrated to EVC as a component.

The main features of Expert System and EVCI are also described in the paper.

Key Words: EVC, EVCI, expert system.

1. Introducción

El aprendizaje de la programación, a nuestros días aún no resulta una tarea resuelta

en el ámbito de la Educación en Informática. El primer lenguaje seleccionado, el primer

paradigma abordado, los errores comunes cometidos por los aprendices, así como las

actividades y habilidades cognitivas —independientes del lenguaje y/o paradigma—

propias del dominio, son algunos de los factores inmersos en dicha actividad educativa.

En este artículo se aborda dicha problemática desde una línea de investigación e

69 Research in Computing Science 111 (2016)pp. 69–81; rec. 2016-03-12; acc. 2016-05-15

mailto:avera%[email protected]

innovación conocida como Entornos Virtuales Inteligentes, en particular, Entornos de

Aprendizaje basados en la Colaboración y el Conocimiento.

El trabajo reportado se enmarca en un proyecto de investigación en el que estableció

como pregunta de investigación, la siguiente:

“…¿Es posible implementar un Modelo para Asistir en el Aprendizaje de la

Programación mediante un Entorno Virtual Colaborativo Inteligente, que facilite al

aprendiz la detección de errores comunes de la programación? ”[1].

Para dar respuesta a la pregunta de investigación, se propuso el desarrollo de un

Marco de Trabajo para Asistir el Aprendizaje de la Programación en Espacios de

Trabajo Compartidos y experimentar con dicha propuesta utilizando un Entorno Virtual

Inteligente (EVI) diseñado exprofeso. En el presente artículo se describe de manera

específica el “Componente Inteligente” diseñado e incorporado al Entorno Virtual de

Aprendizaje, dicho componente se corresponde con un Sistema Experto Basado en

Reglas que utiliza un motor de inferencia instituido en los errores comunes de la

programación.

2. Antecedentes

2.1. Aprendizaje de la programación

La Programación no es una disciplina fácil de aprender y mucho menos de enseñar,

ha resultado compleja en su aprendizaje debido a la variedad de sub-tareas y tipos de

conocimiento especializados que involucra, y que son necesarios de ejecutar de manera

efectiva [2], por otro lado, es una disciplina que debe ser aprendida bajo un enfoque

constructivista, es decir, en buena medida se aprende haciendo, y en muchas ocasiones,

requiere de un enfoque por aproximaciones sucesivas para poder generar aprendizajes

significativos.

En el caso de su enseñanza, la selección del primer lenguaje de programación [3]

ha generado discusiones continuas entre los especialistas; vinculado con el lenguaje, el

paradigma abordado en los primeros cursos de Informática también ha generado

posiciones encontradas, no obstante, y sin un análisis suficientemente discutido, la

aparición de enfoques orientados a objetos ha venido desplazando al paradigma

estructurado; otros autores por su parte, se han enfocado al aspecto didáctico, y han

propuesto algunos modelos para enseñar a programar [4].

Independientemente del proceso educativo a desarrollar, la Programación, como

actividad socio-técnica, involucra actividades dependientes del lenguaje, las cuales

requieren del conocimiento de la sintaxis, semántica y de la pragmática del lenguaje de

programación [5]; por otro lado, requiere de un amplio rango de actividades vinculadas

con el proceso de desarrollo software: análisis, diseño, codificación, comprensión de

programas, depuración, mantenimiento y documentación.

En el ámbito de la Informática Educativa se han desarrollado diversos sistemas

software para asistir el aprendizaje y/o enseñanza de la Programación [6], [7] y [8], sin

embargo, para las actividades vinculadas con la depuración y comprensión de

programas, tareas a las que no siempre se les otorga la importancia debida, los sistemas

software desarrollados, generalmente se orientan al entendimiento del lenguaje, y

resultan poco útiles para el entrenamiento de programadores novatos.

70


Research in Computing Science 111 (2016)

2.2. Errores comunes en programación

De acuerdo con el estándar IEEE 610.12-1990 [9], un fallo en el sistema ocurre

cuando la salida generada por un programa no coincide con los requisitos establecidos

en el proyecto. De ahí que un fallo puede ser resultado de una falta, la cual representa

un estado en tiempo de ejecución de un programa, que parece ser incorrecto. Las faltas

ocurren como resultado de los errores, los cuales son fragmentos del programa que no

cumplen con las especificaciones documentadas, o con las especificaciones del modelo

mental de los programadores.

Es importante mencionar, para efectos de la tarea de depuración, que aunque los

fallos en la ejecución de los programas garantizan que una o más faltas se encuentran

en el código —ya sea por omisión o por comisión del programador—, y que las faltas

garantizan que uno o más errores existen, los errores no siempre causan faltas, y las

faltas no siempre generan fallos.

En la literatura es posible encontrar una variedad de clasificaciones sobre tipos y

causas de errores que pueden ser realizados, principalmente por programadores

novatos; dichas clasificaciones han sido generadas a raíz de estudios empíricos sobre

patrones encontrados en la actividad de programación. En [10] por ejemplo, se llegó a

la conclusión de que una causa de error en la programación, se debe a que los

programadores se forman modelos mentales de las especificaciones documentadas, no

obstante, dichos modelos resultan insuficientes por las especificaciones inadecuadas, o

por el desconocimiento del dominio de la tarea a ser implementada.

Un segundo tipo de errores comunes está relacionado con la sintaxis propia de

algunos lenguajes, por ejemplo: el clásico “;” al final de una sentencia en C, la falta de

una “}” para delimitar un ciclo o una función, la confusión de los símbolos para realizar

asignaciones en lugar de comparaciones, etc.

if (num1 == (num2+num3))…. Correcto

if (num1 = (num2+num3))…. Incorrecto

Otros errores tienen relación con la lógica de las estructuras algorítmicas, en estos,

es común encontrarse en las estructuras repetitivas con errores en el número de

iteraciones deseadas, p.ej., si se desea ejecutar el contenido del ciclo for diez veces.

for (i=0; i < 10; i++)……. Correcto

for (i=0; i <=10; i++)……. Incorrecto (ejecuta once veces)

En [11] se presenta una revisión exhaustiva de las principales clasificaciones de

errores en el ámbito de la programación y se profundiza en torno a nuevas maneras de

entender la ejecución de un programa cuestionando las salidas del programa, también

se realiza un análisis de algunos IDEs y lenguajes de programación usados en la

actualidad y aporta una taxonomía de defectos comunes de la programación.

2.3. Sistemas expertos

Como una aplicación exitosa del área de Inteligencia Artificial (IA), surgieron los

en la década de los 60 los denominados Sistemas Expertos; al principio, este tipo de

sistemas se desarrolló como herramienta de investigación para tratar problemas

71

Una base de conocimientos para asistir el aprendizaje de la programación


complejos en un dominio estrecho, por ejemplo, el diagnóstico médico de

enfermedades en ese entonces, pero desde su introducción comercial a principios de los

80, incrementó su popularidad. Actualmente los sistemas expertos son usados en los

negocios, ciencia, ingeniería, manufactura y muchos otros campos en los cuales existe

un problema en un área o en un dominio bien definido. Feingenbaum, profesor de la

Universidad de Stanford, y considerado como el padre de los sistemas expertos,

presentó la siguiente definición para un sistema experto:

“…es un programa de cómputo inteligente que usa el conocimiento y

procedimientos de inferencia para resolver problemas suficientemente complicados que

requiere significativamente de un experto humano para su solución” [12].

De acuerdo con [13], en un sistema experto se pueden identificar tres componentes

principales: base de conocimientos, motor de inferencia e interface de usuario. La figura

1 ilustra una posible arquitectura [14].

Fig. 1. Estructura de un sistema experto.

Base de conocimientos. Es la base de un sistema experto, contiene el conocimiento,

datos del problema necesarios para entender, formular y suministrar propuestas de

solución. Existen diferentes formas de representar el conocimiento de un sistema

experto, incluyendo reglas de producción, redes semánticas y sentencias lógicas. Una

base de conocimientos típica debe incluir dos elementos básicos:

Hechos tal como la situación del problema y la teoría del área del problema.

Heurísticas especiales o reglas que dirigen el uso del conocimiento para

resolver los problemas específicos en un dominio particular.

Motor de Inferencia. Es el cerebro de un sistema experto, también se le conoce como

estructura de control o el intérprete de reglas. Este componente es esencialmente un

programa de computadora que proporciona una metodología para el razonamiento

sobre la información en la base de conocimientos, en el área de memoria y para la

formulación de conclusiones.

72



Interface de usuario. Este componente establece la comunicación orientada al

problema entre el usuario y la computadora, dicha comunicación se realiza en un

lenguaje natural. La interface de usuario en este tipo de sistemas, para su interacción,

en su mayoría usa preguntas y respuestas. En la Figura 1 se visualizan dos tipos de

usuarios:

El usuario, quien utiliza el sistema experto para hacer consultas y ayudarlo

a tomar decisiones.

El ingeniero del conocimiento, quien se encarga del mantenimiento de la

base de conocimientos, es la interface entre el humano experto y el sistema

experto.

Como se observa en la figura 1, en [14] en dicha arquitectura se consideran dos

elementos adicionales: lo que se mantiene en Memoria, y las reglas ajustadas durante

la operación del sistema experto.

Memoria. El contenido de este elemento consiste de los hechos generados de

acuerdo a un problema específico en una sesión de consulta, es decir los nuevos hechos

que resultaron de un proceso de inferencia.

Ajuste de reglas. Se trata del ajustador de reglas, es decir la entrada de reglas

especificadas por el ingeniero del conocimiento dentro de la base de conocimientos

durante el desarrollo del sistema experto o mantenimiento de la base de conocimientos.

3. Metodología

Como parte de la investigación antes citada [1], se desarrolló un sistema experto

basado en reglas, capaz de identificar los tipos de defectos comunes en la programación;

dicho sistema experto se integró como un componente al Entorno Virtual Colaborativo

(EVC) que fue diseñado exprofeso para la investigación, en particular para el proceso

de experimentación. En términos generales, las actividades que se planificaron como

parte de la metodología para la construcción del Entorno Virtual Colaborativo

Inteligente (EVCI) son:

1. Diseño una Arquitectura para un EVCI.

2. Implementación del Entorno Virtual Colaborativo.

3. Formalización de las reglas que permitirán incorporar al EVC una Base de

Conocimiento sobre los defectos comunes en programación.

4. Implementar el componente inteligente (Sistema Experto) al EVC.

5. Realizar estudios con experimentos controlados en ingeniería de software

utilizado el EVCI.

6. Reporte de resultados.

4. Desarrollo

4.1. Arquitectura propuesta para el EVCI

Un Entorno Virtual Colaborativo Inteligente (EVCI) es un sistema computacional

diseñado exprofeso como un espacio conceptual para que el usuario, en condiciones

73



espacio-temporales distintas, interaccione con otros usuarios o con elementos del

entorno para construir su aprendizaje; el componente inteligente es un elemento del

entorno provisto de una base de conocimientos y de una estrategia pedagógica basada

en la formulación de consultas por parte del aprendiz [1].

La Figura 2 ilustra mediante un diagrama la arquitectura que se diseñó y utilizó para

la implementación del EVCI presentado en esta investigación.

Fig. 2. Arquitectura del EVCI.

La arquitectura del EVCI consta de la integración de los ambientes de un entorno

virtual colaborativo (EVC) y de un Sistema Experto (SE). Esta arquitectura se puede

visualizar en una arquitectura por capas [15], donde los usuarios principales del sistema

son los alumnos; los alumnos pueden visualizar en el EVC trozos de código de

programas implementados bajo un paradigma de programación seleccionado (p.e. el

paradigma estructurado) y deben encontrar los defectos del programa que se les

presente, lo podrán realizar en grupos trabajo, consultando con el profesor o con un SE

integrado al EVCI que permite identificar los tipos de defectos comunes de la

programación.

4.2. Base de conocimiento

En esta sección, se establece la base de conocimiento sobre los tipos de defectos

más comunes de la programación que se implementó en el sistema experto, componente

inteligente del EVCI. En este trabajo se abordó el problema del aprendizaje y/o

enseñanza de la programación mediante entornos virtuales, utilizando como parte del

modelo del dominio, un modelo de perturbaciones o de defectos clásicos en el dominio

del aprendizaje [16].

74



Para representar la base de conocimiento en esta investigación se utilizaron reglas

de producción, estas reglas se generan relacionando los datos de la base de hechos.

Cada regla está formada de una parte denominada premisa y de una parte denominada

conclusión y tendrá la siguiente forma:

Si premisa Entonces conclusión.

El sistema EVCI ha sido concebido para el entrenamiento de los aprendices en la

identificación de defectos, en este sentido, debido a que la relación entre los tipos de

defectos cometidos por los aprendices y el diagnóstico no tiene un comportamiento

determinístico, se ha decidido considerar un modelo probabilístico para el sistema

experto, es decir, su motor de inferencia se basa en probabilidades condicionales. En

este esquema se consideran todas las evidencias, por lo que también se pueden modelar

reglas de la forma:

Si premisa1 And premisa2 Or premisa3 Entonces conclusión.

Los sistemas basados en reglas surgieron de sistemas prácticos e intuitivos para la

inferencia lógica. Estos métodos fueron desarrollados a mediados de los setentas y han

formado las bases de un gran número de sistemas expertos en medicina y en muchas

otras aplicaciones [15].

Tabla 1. Atributos y valores de los defectos (errores) sistemáticos de la programación.

Una de las actividades primordiales para el desarrollo de un sistema experto, es la

adquisición del conocimiento posteriormente codificado en la base de conocimientos,

75



una base de datos existente y apropiada dentro de un conjunto de reglas de producción.

La fuente de este conocimiento son los defectos comunes de la programación, estudiado

en el marco teórico.

Debido a la gran cantidad de lenguajes de programación, para poder realizar la

experimentación con el EVCI, se decidió una versión reducida de la estructura

identificada como fuente de conocimientos, en específico, en el lenguaje de

programación C, los objetos son los seis tipos de defectos comunes de la programación

propuestos en [17] y los atributos y valores de dichos objetos son los investigados en

[11]. En la Tabla 1 se presenta una estructura utilizada para la construcción de la base

de conocimientos.

Los defectos representan el aspecto más importante ya que son estos elementos los

que en mayor medida permiten encontrar un tipo de defecto específico basado en la

presencia o ausencia de ciertos indicadores.

Los diagnósticos de defecto son indicadores que también forman parte del proceso

de obtención de tipos de defectos diferenciales. Los diagnósticos de defecto permiten a

los profesores de programación o expertos, confirmar un tipo de defecto a través de los

resultados reportados, es por eso que se han tomado en cuenta como un tipo de

indicador.

En la siguiente lista se presenta la base de datos que almacena la base de

conocimiento del sistema EVCI utilizado para el experimento, es modelado en forma

de reglas:

Regla 0:

Si Error = Subíndice fuera de límite

And Error = Comisión

And DxE = Sobrecarga de memoria

Entonces Tipo de error = Inicialización.

Regla 1:

Si Error = Caso imprevisto


And DxE = Diseño lógico

Entonces Tipo de error = Cómputo.

Regla 2:

Si Error = Error en el algoritmo

and Error = Comisión

and DxE = Diseño lógico


Regla 3:

Si Error = Liberación de memoria

And Error = Omisión



Regla 4:

Si Error = Análisis inadecuado


And DxE = Léxico


Regla 5:

Si Error = Interpretaciones erróneas en la semántica del lenguaje

And DxE = Lenguaje


76



Regla 6:

Si Error = Terminación abrupta


Entonces Tipo de error = Control.

Regla 7:

Si Error = Validación de memoria

And Error = Omisión



Regla 8:

Si Error = Resultados incorrectos


And DxE = Variable

Entonces Tipo de error =Datos.

Regla 9:

Si Error = Sintaxis ambigua


And DxE = Léxico


Regla 10:

Si Error = Terminación abrupta


Entonces Tipo de error = Interface.

Regla 11:

Si Error = Omisión


Entonces Tipo de error = Cosmético.

La razón de usar reglas de producción para la representación del conocimiento en

esta investigación, es la facilidad para entender y agregar nuevas reglas a la base de

conocimiento sin afectar las reglas que ya existan [13].

5. Resultados

Como resulta de esta investigación, se presenta uno de los componentes más

significativos del Sistema EVCI, éste es el Sistema Experto. En la Figura 3 se visualiza

una página de este componente, en esta página el profesor puede ver tres listas.

La primera corresponde a la lista de los tipos de defectos (errores). Cabe mencionar

que este EVCI se ha utilizado para realizar estudios con experimentos controlados en

Ingeniería de Software [18, 19], para los experimentos se escogió los seis tipos defectos

comunes. La segunda lista corresponde a los defectos (errores) de cada una de los tipos

de defectos y la tercera lista muestra los diagnósticos de error asociados a cada tipo de

defecto.

Para ambos casos, tanto para la lista de tipos, la lista de defectos como para la de

diagnósticos de defectos, en el menú inferior de la aplicación se muestran los botones

correspondientes para agregar un registro nuevo a la lista correspondiente, también para

cada registro es posible seleccionar y eliminar el dato correspondiente. Las opciones de

agregar o eliminar datos solo son posibles con el rol de administrador o tutor, donde

77



este último es el experto que puede ser el profesor, un alumno solo puede realizar

operaciones de consulta e inferencia.

Fig. 3. Página para la edición de base del conocimiento.

Al pulsar sobre el botón de errores sistemáticos sobre la misma página, se muestra

un diálogo que se ilustra en la Figura 4.

En este diálogo el profesor puede seleccionar de la lista defectos (errores

sistemáticos) el elemento que corresponda agregar, como parte del tipo de error que

haya seleccionado previamente. Dado que esta lista es larga se ha puesto una caja de

texto en donde los profesores escriben una palabra que el sistema utilizará como criterio

de búsqueda y entonces reducirá la lista de defectos a solamente aquellos términos que

coincidan con el criterio de búsqueda.

Para el caso de los diagnósticos de defectos el sistema funciona de la misma manera.

Con el botón Diagnósticos de error el sistema permite a los profesores agregar nuevas

pruebas diagnósticas a la lista y relacionarlas con el tipo de errores que se esté

modelando. Al pulsar sobre el Diagnósticos de error aparecerá el diálogo que se

muestra en la Figura 5 con un listado de todos los diagnósticos de defectos que se

encuentran en la base de conocimientos original.

78



Fig. 4. Diálogo para agregar nuevos errores.

Fig. 5. Diálogo para agregar diagnósticos de defectos.

Dentro de este mismo módulo del Sistema EVCI, además de la opción que

corresponde a la edición de la base de conocimiento, explicado anteriormente, también

tiene una segunda opción que corresponde a la obtención de los tipos de defectos

comunes de la programación, aquí tienen permisos tanto el alumno como el profesor y

en su caso el administrador.

79



Fig. 6. Resultado con lista de los tipos de defectos diferenciales.

Después de haber agregado elementos a dichas listas, el contenido de estas listas se

envía al motor de inferencia quien a su vez hace la búsqueda en la base de conocimiento

para, finalmente, mostrar la lista de los tipos de defectos diferenciales que se generen

como respuesta. Un ejemplo de esto se muestra en la Figura 6.

Como se puede observar, los resultados se imprimen con porcentajes debido a que

en el método basado en reglas se consideró un sistema probabilístico y éste se calcula

con base al número de atributos y diagnósticos de defectos que tiene un tipo de defecto.

6. Trabajos en curso y futuros

De acuerdo con las actividades descritas en la sección 3, el proceso de

experimentación con el Entorno Virtual se ha comenzado a realizar en diversos

escenarios, tal y como se ha reportado en [18], no obstante, el componente Inteligente

(Base de Conocimientos) aún no ha sido validado; al momento de redactar este artículo

el grupo de investigación se encuentra diseñando un escenario de aprendizaje que

permita validar el uso del Sistema Experto.

Entre las conclusiones parciales de los experimentos realizados, se ha resuelto la

conveniencia de experimentar con otros lenguajes de programación; en el diseño

original la Base de Conocimientos se utilizó como referente al paradigma estructurado,

en específico se utilizó el Lenguaje C; actualmente se está experimentando con otro

lenguaje de programación, éste pertenece al paradigma de programación orientada a

objetos, se utilizó Java, resultado parcial reportado en [19]. Otro trabajo interesante a

futuro, sería adecuar el EVCI para que aprendiera en forma autónoma directamente de

la experiencia del estudiante, para convertirla en una herramienta computacional mucho

más flexible, sin dependencia del experto o del tutor.

Finalmente, una actividad obligada y que será realizada a mediano plazo, consiste

en medir el desempeño del sistema experto del EVCI; lo cual puede ser realizado

comparando el sistema propuesto con otros sistemas o con un estándar, y para ello se

requerirá un conjunto de expertos.

80



Referencias

1. Ucán, J.: Aprendizaje de la Programación Asistido con Entornos Virtuales Colaborativos

Inteligentes. Tesis Doctoral, Universidad del Sur (2015)

2. Pennington, N., Grabowski, B.: The tasks of programming. Hoc, J.-M., Green, T. R. G.,

Samurcay, R., Gilmore, D.J. (Eds), Psychology of programming, Academic Press, UK (1990)

3. Jablonowski, J.: Some Remarks on Teaching of Programming, Proceedings of International

Conference on Computer Systems and Technologies (2004)

4. Kaasbøll, J.: Exploring didactic models for programming. Norsk Informatikk-Konferanse,

Høgskolen I Agder (1998)

5. Rogalski, J., Samurcay, R.: Adquisition of programming knowledge and skills. Hoc, J.-M.,

Green, T. R. G., Samurcay, R., Gilmore, D.J. (Eds), Psychology of programming, Academic

Press, UK (1990)

6. Vizcaino, A.: Enhancing Collaborative Learning Using a Simulated Agent. Tesis Doctoral,

Universidad de Castilla-La Mancha, España (2002)

7. Guzdial, M.: Programming environments for novices. Fincher, S., Petre, M. (Eds.), Computer

Science Education Research (pp. 127–154), Lisse, The Netherlands: Taylor & Francis, pp.

127–154 (1994)

8. Kelleher, C., Pausch, R.: Lowering the barriers to programming: a taxonomy of programming

environments and languages for novice programmers. ACM Computing Surveys, Vol. 37,

No. 2, pp. 88–137 (2005)

9. IEEE, IEEE Standard Glossary of Software Engineering Terminology. Std. 610.12-1990.

Institute of Electrical and Electronics Engineers, NY, USA (1990)

10. Mayrhauser, A., Vans, A.: Program Understanding Behavior During Debugging of Large

Scale Software, Empirical Studies of Programmers, 7th Workshop, Alexandria, VA pp. 157–

179(1997)

11. Ko, A.: Asking and Answering Questions about the causes of Software Behavior. PhD

Thesis, University of British Columbia (2008)

12. Giarratano, J., Riley, G.: Expert systems: principles and programming. Canada: Thomson

Technology (2005)

13. Turban, E., Aronson, J.E., Liang, T.P., Sharda, R.: Decision Support System and Business

Intelligence. Eighth Edition, Edit Pearson Education, Inc. (2012)

14. Ignizio, J.: Introduction to expert systems. McGraw-Hill (1991)

15. Hernández, G.: Análisis del uso de la inteligencia colaborativa como herramienta para la

construcción de bases de conocimiento consensuadas en procesos de diagnóstico médico.

Tesis Doctoral, Universidad Carlos III de Madrid (2013)

16. Holt, P., Dubs, S., Jones, M., Greer, J.: The state of Student Modelling. Student Modelling:

The Key to Individualized Knowledge-Based Instruction, Springer-Verlag, pp. 3–39, (1994)

17. Basili, V., Perricone, B.: Software errors and complexity: an empirical investigation.

Communications of the ACM, Vol. 27, No. 1, pp. 42–52 (1984)

18. Ucán, J., Gómez, O., Castillo, A., Aguilar, A.: Detección de defectos con y sin apoyo de un

entorno virtual colaborativo inteligente en cursos introductorios de programación. Gómez,

O.S., Arcos, G., Aguirre, L., Villa, E., Rosero. R.H. (eds), Ingeniería de Software e Ingeniería

del Conocimiento. Jornadas Iberoamericanas. 11th (JIISIC’2015). Curran Associates, Inc.,

Riobamba, Elsevier, pp. 65– 78 (2015)

19. Ucán, J., Aguilar, R., Aguileta, A., Díaz, J.: Analizando la efectividad del uso de un EVCI

para asistir a estudiantes avanzados en la identificación de faltas en el código: un experimento

controlado. Revista Latinoamericana de Ingeniería de Software, Vol. 4, No. 1 (2016)

81



Una base de conocimientos para asistir el aprendizaje … base de conocimientos para... ·...

Documents

Transcript of Una base de conocimientos para asistir el aprendizaje … base de conocimientos para... ·...